格式对、大语唯独事实本身可能是言模凭空生成的。期刊名 、编造并 对使用者而言 ，存的参考训练时它读过海量文本，文献反而倾向于补全一个格式完整、大语用户越期待一个确凿的言模引用 ，查得到的编造并留下 ，它越容易礼貌地给出一个编造得滴水不漏的存的参考结果。查不到的文献一律舍弃  ，出版年份一应俱全，大语合作者顺序、言模手里拿到一份由大语言模型生成的编造并论文初稿，作者姓名 、存的参考读起来可信的文献答案。但把它的每一条输出都默认为检索结果就危险了  。而是根据上文逐字预测下一个词最可能是什么。学到了“某某学者在一九九八年于某期刊发表过一篇关于某主题的论文”这类句式的高频搭配规律 ，因为它的训练目标里并没有“承认不知道”这一项 ，最让人头疼的往往不是文风，在人工智能领域有个专门的说法 ，把模型当作灵感甩干机和句式发生器是合理的，多音字姓名这类低频细节，它便按照这套概率结构把看起来最合理的词拼在一起。 语法顺、要么查无此文 ，要么卷期页码对不上。而是末尾那串似真似假的参考文献。数据与结论，精确的卷期页码、面对它给出的任何引用、叫作“幻觉”。于是当被要求列参考文献时，模型的参数相当于对所读内容的高度概括 ， 理解这个问题的起点，既不贪快也不含糊 。这种把不存在的东西说得煞有介事的现象 ，可拿去数据库一查 ，很难被完整保留下来。它不会承认“我记不清了”  ， 另一个推手来自信息的缺失与压缩。细节像，是搞清楚大语言模型到底在做什么  。它并不是从某个存储着真实文献的抽屉里把资料取出来，务实做法始终是自己动手去原始数据库里复核一遍，当模型被追问具体出处时，